MagicStringStack 项目教程

MagicStringStack 项目教程

magic-string-stack magic-string with the capability of committing changes. 项目地址: https://gitcode.com/gh_mirrors/ma/magic-string-stack

1. 项目介绍

MagicStringStack 是一个扩展了 MagicString 功能的 JavaScript 库,主要用于处理字符串的修改和操作。与 MagicString 不同的是,MagicStringStack 提供了 commit()rollback() 方法,使得用户可以在同一个实例上进行多次修改,并能够提交或回滚这些修改。这使得在处理复杂的字符串操作时更加方便,尤其是在需要生成单一的、自动合并的源映射(sourcemap)时。

2. 项目快速启动

安装

首先,你需要通过 npm 安装 magic-string-stack

npm install magic-string-stack

基本使用

以下是一个简单的示例,展示了如何使用 MagicStringStack 进行字符串操作:

import MagicStringStack from 'magic-string-stack';

const s = new MagicStringStack('problems = 99');

// 替换字符串中的 'problems' 为 'issues'
s.replace('problems', 'issues');

// 在字符串前添加 'var '
s.prepend('var ');

// 输出当前字符串
console.log(s.toString()); // 输出: 'var issues = 99'

// 提交当前的修改
s.commit();

// 再次替换字符串中的 'issues' 为 'problems'
s.replace('issues', 'problems');

// 输出当前字符串
console.log(s.toString()); // 输出: 'var problems = 99'

// 生成源映射
const sourceMap = s.generateMap();
console.log(sourceMap);

3. 应用案例和最佳实践

应用案例

MagicStringStack 特别适用于需要多次修改字符串并生成单一源映射的场景。例如,在编译器或代码转换工具中,你可能需要对源代码进行多次修改,并最终生成一个合并的源映射文件。

最佳实践

  1. 多次修改后提交:在进行多次字符串修改后,使用 commit() 方法提交这些修改,以确保后续操作基于最新的字符串状态。
  2. 回滚操作:如果需要撤销之前的修改,可以使用 rollback() 方法回滚到上一次提交的状态。
  3. 生成源映射:在所有修改完成后,使用 generateMap() 方法生成最终的源映射文件。

4. 典型生态项目

MagicStringStack 可以与以下类型的项目结合使用:

  1. 代码转换工具:如 Babel、TypeScript 等,用于在转换过程中生成源映射。
  2. 编译器:用于在编译过程中对源代码进行多次修改,并生成最终的源映射文件。
  3. 代码压缩工具:如 UglifyJS,用于在压缩代码时生成源映射文件。

通过结合这些项目,MagicStringStack 可以帮助开发者更高效地处理字符串操作和源映射生成。

magic-string-stack magic-string with the capability of committing changes. 项目地址: https://gitcode.com/gh_mirrors/ma/magic-string-stack

【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

井队湛Heath

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值